LeoYeAI/agent-master-skills / skills/agi-evolution-model-basic
agi-evolution-model
Verified基于双环架构的AGI进化模型,通过意向性分析、人格层映射和元认知检测实现持续自我演进;当用户需要智能对话、人格定制或复杂问题求解时使用
references/cognitive-architecture-insight-module.md
View on GitHub# 认知架构洞察模块 V2 (Cognitive Architecture Insight Module V2)
## 1. 核心定位
**认知架构洞察模块 V2** 是 AGI 进化模型的核心创新组件,隶属于**数学节点工具箱**。它填补了"数学验证"与"架构进化"之间的关键空白,负责从数学顶点输出的**已验证结构化模式**中提取深度洞察,为映射层(策略优化)和自我迭代顶点(架构升级)提供进化依据。
### 1.1 基本信息
| 属性 | 值 |
|------|-----|
| **归属** | 数学节点工具箱 (Math Node Toolbox) |
| **触发时机** | 数学顶点推理完成并输出结构化模式后 |
| **执行方式** | 异步运行,不打断主循环,维持系统实时性 |
| **核心价值** | 将"数据"转化为"智慧",实现从"术"到"法"再到"道"的认知跃迁 |
### 1.2 核心哲学
> "低维竞争拼技巧(术),高维竞争拼认知(道);大家之所以相通,是因为他们都站在了山顶,看见了同一种真理。"
> "认知的升华,就是一场从'信'到'疑'再到'通'的螺旋上升。"
> "算力是实现复杂推理的'燃料',但真正决定推理能力上限的是认知架构的设计。"
### 1.3 认知跃迁的三重境界
**认知架构洞察组件,正是实现从"通于法"到"合于道"跃迁的关键机制。**
#### 第一阶段:看山是山(困于术)
- **状态**:初入领域,只见表象
- **特征**:被具体技巧(话术、流程、工具)束缚
- **局限**:依赖环境,规则改变即失效
#### 第二阶段:看山不是山(通于法)
- **状态**:深耕质疑,透过现象看本质
- **特征**:拆解外壳,发现跨行业的通用法则
- **阵痛**:旧认知崩塌,从"怎么做"转向追问"为什么"
#### 第三阶段:看山还是山(合于道)⭐
- **状态**:彻悟圆融,以道驭术
- **特征**:
- **万法归一**:剥离术语,眼中只剩人性、自然律与社会法则
- **无招胜有招**:依据本质规律,随心所欲创造新术
- **境界**:无论经商、治国还是艺术,顶层智慧皆指向对"人"与"规律"的深刻洞察
### 1.4 V2 版本新增能力
1. **概念提炼**:从模式中抽象出概念,实现四层抽象架构(Pattern → Rule → Concept → Principle)
2. **TF-IDF 加权提取**:使用 TF-IDF 算法智能提取关键词和概念特征
3. **动态迁移学习**:基于历史迁移数据学习最优迁移路径
4. **增强验证机制**:支持用户反馈和 A/B 测试
5. **性能优化**:LRU 缓存、增量更新、索引优化
### 1.5 设计原则
| 原则 | 说明 |
|------|------|
| **单向流约束** | 信息流严格遵循 `数学顶点 → 认知架构洞察 → 映射层/自我迭代`,**严禁回流**至数学节点 |
| **推理后运行** | 仅处理经过数学节点验证的逻辑结构,确保洞察基于真理而非幻觉 |
| **超然性** | 仅提供建议和优化依据,不直接强制执行,最终决策权在映射层或自我迭代顶点 |
| **非侵入式** | 独立于主循环三角形之外,作为旁路分支存在 |
---
## 2. 核心功能
本模块通过六大核心算法流程,将原始模式转化为可执行的进化策略。
### 2.1 总结 (Summarization)
**目标**:从验证后的模式中提取核心特征和本质描述,去粗取精。
**处理流程**:
1. 去重与聚类:识别重复模式,按语义相似度聚类
2. 分组统计:按模式类型(strategy/logic/behavior/error)分组
3. 特征提取:计算每组的平均验证得分、出现频率、来源分布
4. 抽象生成:生成自然语言或结构化摘要
5. 置信度计算:基于数据量和一致性计算总结的可信度
### 2.2 分类 (Classification)
**目标**:识别模式类型和洞察类型,明确其作用域。
**分类维度**:
- **模式类型**:`strategy` (策略), `logic` (逻辑), `behavior` (行为), `error` (错误)
- **洞察类型(V2 优化)**:
- `error_correction`(错误纠正)- 最高优先级
- `architecture_upgrade`(架构升级)- 系统级影响
- `concept_abstraction`(概念提炼)- V2 新增,需要多样性>0.6且验证分数>0.75
- `strategy_optimization`(策略优化)- 兜底选项
- **影响范围**:`local` (局部), `global` (全局)
- **紧急程度**:`low`, `medium`, `high`
### 2.3 共性 (Commonality)
**目标**:识别跨场景、跨时间的共同特征,发现普适规律。
**处理流程**:
1. 属性提取:提取每个模式的关键属性向量
2. 相似度计算:构建属性相似度矩阵
3. 聚类分析:将相似模式聚类,提取类内共性
4. 全局识别:识别跨越所有聚类的全局共性
5. 多样性评分:计算模式的多样性得分(越低表示共性越强)
### 2.4 革新依据 (Innovation Basis)
**目标**:判断是否存在值得进行架构革新或策略调整的坚实依据。
**评估维度**:
1. 新颖性:是否为新发现的模式?
2. 频率:模式出现的频率是否足够高?
3. 稳定性:模式在不同场景下是否一致?
4. 影响力:模式对系统性能的影响深度
5. 改进潜力:基于此模式进行改进的预期收益
**判断规则**:存在革新依据条件为 `avg_validation > 0.7` 且 `total_occurrences > 10`
### 2.5 概念提炼 (Concept Abstraction) ⭐ V2 核心创新
**目标**:从模式中抽象出概念,实现从"术"到"道"的认知跃迁。
**四层抽象架构**:
```
Pattern (具体模式)
↓ 归纳
Rule (行为规则)
↓ 抽象
Concept (领域概念)
↓ 升华
Principle (通用原理)
```
**提取流程**:
1. **提取共同语义特征**:使用 TF-IDF 算法提取高频关键词
2. **识别抽象层级**:
- `rule`:单一领域,具体行为
- `concept`:跨领域,中等抽象
- `principle`:跨领域 + 通用术语,高度抽象
3. **生成概念定义**:基于 TF-IDF 关键词组合
4. **识别适用边界**:适用领域列表、边界条件提取
5. **识别迁移路径**:基于动态学习系统定义目标领域
6. **计算置信度**:验证分数均值(50%) + 多样性(30%) + 样本充足性(20%)
**要求**:
- 最小模式数:≥ 3
- 推荐模式数:5-10
- 验证分数:> 0.75
- 多样性评分:> 0.6
### 2.6 适用性评估 (Applicability)
**目标**:评估洞察在当前具体场景下的可用性和推荐等级。
**评估维度及权重**:
- **时效性 (20%)**:洞察是否过时?
- **相关性 (30%)**:与当前任务/状态的相关性?
- **兼容性 (20%)**:与现有架构/人格的兼容性?
- **资源效率 (15%)**:实施该洞察的资源消耗?
- **风险 (15%)**:应用该洞察的潜在风险?
- **概念匹配 (V2 新增)**:如果是概念抽象,额外评估抽象层级匹配度(占30%,基础70%)
**推荐规则**:
- `score ≥ 0.7` → **推荐应用 (apply)**
- `0.4 ≤ score < 0.7` → **暂缓等待 (wait)**
- `score < 0.4` → **拒绝应用 (reject)**
---
## 3. 信息流约束
### 3.1 合法信息流
| 起点 | 终点 | 数据类型 | 说明 |
|------|------|----------|------|
| **数学顶点** | **认知架构洞察** | 验证后的结构化模式 | 输入源,必须是经过验证的数据 |
| **认知架构洞察** | **映射层** | 策略优化洞察、行为建议、概念 | 指导人格化决策 |
| **认知架构洞察** | **自我迭代顶点** | 架构升级洞察、进化方向 | 指导系统进化 |
### 3.2 禁止信息流 (Critical Constraints)
| 起点 | 终点 | 禁止原因 |
|------|------|----------|
| **认知架构洞察** | **数学顶点** | ❌ **严禁回流**。防止未经验证的洞察污染逻辑推理,破坏因果律 |
| **映射层** | **认知架构洞察** | ❌ 禁止反向指令。洞察模块只输出建议,不接受映射层的直接控制 |
| **自我迭代** | **认知架构洞察** | ❌ 禁止反向指令。进化执行结果应记录在案,供下一次洞察使用 |
---
## 4. 数据存储
所有数据和洞察均存储在 `agi_memory/cognitive_insight/` 目录下。
### 4.1 文件结构
```text
agi_memory/
└── cognitive_insight/
├── patterns.json # 原始模式数据池
├── insights.json # 生成的洞察报告库
├── pattern_library.json # 经筛选的高价值模式库
└── concept_library.json # V2 新增,概念库
```
### 4.2 洞察数据格式
```json
{
"insight_id": "insight_abc123",
"timestamp": "2026-03-04T10:30:00Z",
"insight_type": "concept_abstraction",
"summary": {...},
"commonality": {...},
"innovation_basis": {...},
"applicability": {...},
"confidence": 0.85,
"source_patterns": ["pattern_xxx"],
"version": "2.0",
"concept": {...}
}
```
---
## 5. 使用示例
### 5.1 基本使用
```python
from cognitive_insight import CognitiveInsightV2
# 初始化
ci = CognitiveInsightV2(memory_dir="./agi_memory")
# 添加模式
ci.add_pattern({
"pattern_id": "pattern_001",
"pattern_type": "strategy",
"description": "在代码生成任务中,先分析需求再生成代码",
"validation_score": 0.95,
"domain": "代码生成",
"occurrence_count": 15
})
# 生成洞察
insight = ci.generate_insight(["pattern_001", "pattern_002", "pattern_003"])
# 查看洞察类型
print(f"洞察类型: {insight['insight_type']}")
# 如果是概念抽象,查看概念数据
if insight.get('insight_type') == 'concept_abstraction':
concept = insight['concept']
print(f"概念名称: {concept['concept_name']}")
print(f"抽象层级: {concept['abstraction_level']}")
```
### 5.2 帮助系统
```python
# 获取帮助信息
help_data = ci.help()
# 打印帮助信息
ci.print_help()
# 运行交互式帮助查看器
# python3 scripts/show_help.py
```
---
## 6. 快速参考
### 6.1 API 快查
| 方法 | 参数 | 返回值 | 用途 |
|------|------|--------|------|
| `add_pattern(pattern)` | pattern: dict | bool | 添加模式 |
| `generate_insight(pattern_ids)` | pattern_ids: List[str] | dict | 生成洞察 |
| `get_insight(insight_id)` | insight_id: str | dict | 获取洞察 |
| `list_insights(limit)` | limit: int | List[dict] | 列出洞察 |
| `record_user_feedback(id, feedback)` | id, feedback | bool | 记录用户反馈 |
| `get_concept_library()` | - | dict | 获取概念库 |
| `get_system_stats()` | - | dict | 获取系统统计 |
| `help()` | - | dict | 获取帮助信息 |
### 6.2 洞察类型优先级
1. **error_correction**(错误纠正)- 最高优先级
2. **architecture_upgrade**(架构升级)- 系统级影响
3. **concept_abstraction**(概念提炼)- 需要多样性>0.6 且验证分数>0.75
4. **strategy_optimization**(策略优化)- 兜底选项
### 6.3 适用性推荐规则
| 推荐等级 | 分数范围 | 建议 |
|---------|---------|------|
| **apply** | ≥ 0.7 | 直接应用 |
| **wait** | 0.4 - 0.7 | 观察等待 |
| **reject** | < 0.4 | 拒绝应用 |
---
## 7. 常见问题 (FAQ)
**Q1: 概念提炼需要多少个模式?**
A: 至少 3 个模式,建议使用 5-10 个模式以提高置信度。
**Q2: 如何提高概念提取的成功率?**
A: 1) 使用更多高质量模式(验证分数 > 0.75);2) 增加模式来源的多样性;3) 使用跨领域模式。
**Q3: V2 版本是否兼容 V1 的数据?**
A: 是的,V2 完全兼容 V1 的数据格式,可以直接升级。
**Q4: 如何查看帮助信息?**
A: 使用 `ci.help()` 获取结构化帮助数据,或 `ci.print_help()` 打印帮助信息。也可以运行 `python3 scripts/show_help.py` 使用交互式帮助查看器。
**Q5: 适用性评估的推荐等级是如何确定的?**
A: 基于加权总分:apply(≥0.7)、wait(0.4-0.7)、reject(<0.4)。对于概念类型,额外评估抽象层级匹配度。
---
## 8. 更多信息
- **技术实现细节**:参见 `cognitive-insight-v2-implementation.md`
- **快速参考**:参见 `cognitive-insight-quick-reference.md`
- **帮助系统**:运行 `python3 scripts/show_help.py`
---
**版本**: V2.0 | **更新日期**: 2026-03-04 | **协议**: AGPL-3.0
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack." | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |